无线传感器网络(Wireless Sensor Networks, WSNs)被认为是物联网(Internet of Things, IoT)的重要组成部分之一,已被广泛用于环境监测、医疗护理、军事领域、目标跟踪等相关领域。目前,大规模部署传感器网络还存在很多技术壁垒,如网络能量消耗和网络中存在少量瓶颈节点是阻碍传感器网络大规模部署的重要因素。但传感器网络也有自身的特点,如采集的数据通常具有很强的时空冗余性,利用网内压缩技术可以减少网络内传输的数据包,从而可以减少网络能量消耗以及扩大网络部署规模。传统网内数据压缩技术要么没有明确的压缩方法要么需要大量的计算或通信资源,它们都不太适合无线传感器网络资源受限的特点。近年来随着压缩感知(Compressive Sensing, CS)理论的提出,为无线传感器网络数据收集开辟了一条新的研究道路。基于压缩感知的数据收集方法不仅可以具备良好的数据压缩性能同时使编码端变得十分简单,这正好符合无线传感器网络的特点。目前,基于压缩感知的无线传感器网络数据收集研究才刚刚起步,主要成果还局限在简单的将压缩感知理论应用到网络数据收集中,对网络性能的提高并不明显。除此之外,压缩感知理论本身也在不断的发展,要真正实现采样和压缩同时进行,显著提高网络性能还面临许多挑战(如投影矩阵的设计,联合路由的设计以及表示基的设计等)。本文对基于压缩感知的大规模无线传感器网络数据收集进行了深入研究,其主要研究内容包括如下：针对目前只对空间感知数据进行随机投影操作,而真实网络中空间感知数据的压缩性能并不好,从而导致数据恢复质量差和压缩数据的传输代价大。本文提出一种分布式时空大规模传感器网数据收集模型。该模型可以显著减少网络中传输的测量值数目,从而减少网络数据收集代价。在数据收集的过程中,分别对模型中不同的数据部分进行稀疏投影和稠密投影,从而达到相同的数据收集效果——只有部分节点参与单个测量值的收集。实验结果表明该数据划分模型可以显著提高感知数据的压缩性能和信号恢复性能。除此之外,能量仿真结果表明分簇路由策略比树形路由策略更适合该数据划分模型。针对现有基于压缩感知的数据收集方式均采用树形路由策略。树形路由策略在稀疏随机投影数据收集中会造成参与单个测量值的节点过多,从而导致传输代价过大。本文提出一种有效的分簇路由数据收集方法。在该方法中,首先根据能量消耗模型计算出最优簇头数目,然后根据最优簇头数目设计一种确定式动态分簇路由方法。与树形网络数据收集方式相比,该方法可以有效减少数据收集过程中的能量消耗同时使得网络能量消耗非常均匀。针对测量矩阵的稀疏程度在无线传感器网络数据收集的过程中扮演重要作用,测量矩阵的稀疏程度直接影响单个测量值的传输代价。本文提出一种最稀疏随机调度可压缩数据收集方法。在该方法中,单个测量值的传输代价从O(N)降到O(log(N))(N为网络中的传感器节点数目),而且无需增加测量值的数目。同时,结合最稀疏随机投影矩阵给出一种表示基设计方法,并证明了文中设计的表示基与单位测量矩阵满足等距离约束性质。本文从三个方面进行研究来提高基于压缩感知的数据收集的性能,即：通过建立时空数据划分模型来提高感知数据的压缩性能和减少网络中收集的测量值数目；通过建立随机投影分簇路由数据收集策略来减少单个测量值的传输代价；根据感知数据和测量矩阵设计表示基来实现最稀疏随机调度数据收集。实验结果表明,本文中提出的方法既可有效减少网络中的传输的数据包数目,又能高效恢复全网感知数据。